道路交通事故碰撞类型影响因素分析

吴旭东, 赵 丹

(中国人民公安大学交通管理学院, 北京 100038)

0 引言

道路交通事故给全世界各个国家和地区带来了非常严重的伤害[1]。 研究发现,交通系统中人、车、路和环境都是导致交通事故风险增加的重要影响因素[2]。 但是不同的人、车、路和环境因素造成的事故碰撞类型以及对特定碰撞类型的影响程度是有差异的,所以还需再深入探讨事故碰撞类型与交通系统中人、车、路和环境等因素的关系。

Kolesov V 等人[3]认为:要从“安全系统”的角度保证交通参与者获得安全的交通系统,合理处理交通参与者、使用车辆、道路、交通环境等所有安全因素,以此减少交通事故数量和伤亡人数。 控制严重交通事故发生和减少交通事故发生频次是管理部门的最终目的。 王健宇等人[4]利用多项logistic 回归模型分析了影响车辆间事故严重程度的因素,识别出不同严重程度事故的显著影响因素以及减小事故风险时应重点关注的碰撞类型等因素;赵丹等人[5]利用双变量Probit 模型分析出农村交叉口事故类型和严重程度两者之间具有显著负相关关系,认为在单车事故中造成人员死亡的概率更大;田利华等人[6]认为不同碰撞类型的交通事故中受伤人员的临床特点有区别。 由上述研究结论可知,事故类型对严重程度有很大影响。 刘林等人[7]根据驾驶员历史交通违法行为数据,采用对应分析模型研究交通事故碰撞类型与违法行为的关系,对有危险驾驶行为的驾驶员提前预警;白芳华等人[8]通过分析涉及客车类交通事故,认为道路环境和车辆性能对不同交通事故类型有影响,并给出预防各种碰撞类型的措施;Abdel-Aty 等人[9]利用佛罗里达事故数据库的分类分析技术,开发了logistic 模型分析司机年龄与碰撞类型的关系,结果显示两者具有显著的关系;Alghamdi 等人[10]基于沙特阿拉伯王国(KSA)首都利雅得在1996 ～1998 年期间发生的1 774 起交通事故记录样本利用logistic 回归模型分析与十字路口相关事故的主要特征,认为利雅得大部分交通事故是由超速、不让行和无视红灯造成的,表明应加强警察执法力度以确保遵守限速和其他交通规则;刘林才等人[11]结合某城市交通事故数据和交通违法数据,利用广义泊松模型和零截尾负二项模型分析两者关系,结果表明交通违法行为与事故碰撞类型之间存在强关联关系。 违法行为、道路环境、车辆性能和司机年龄等因素均对事故碰撞类型有显著影响。

整理发现,现有研究较少综合考虑交通事故碰撞类型的影响因素。 事故碰撞类型的研究方法包括数据挖掘算法和离散选择模型,离散选择模型技术成熟容易实现,稳健性和通用性强,样本量要求低,模型整体优化更合理,logistic 模型能够发现碰撞类型更多的解释变量。 因此,本文从交通系统全要素角度出发,采用多分类logistic 回归模型分析,从人、车、路和环境相关因素分析对事故碰撞类型的影响。

1 数据收集

1.1 数据来源

选取宁波市交通事故数据。 宁波市车辆保有量接近300 万辆,非机动车保有量也较大,是我国新兴城镇化建设试点城市,城乡路网建设均较为成熟,可在一定程度上代表我国道路交通安全水平。 因此本研究数据选取宁波市2016 ～2020 年交通事故记录,该记录包含8 495 起交通事故以及每起事故的碰撞类型、严重程度、当事人信息、车辆信息、路面路侧结构、交通环境、发生时间和违法行为等信息。 在交通事故中,承担事故责任较大的一方通常是道路上的危险因素,易引发交通事故,因此论文选取在交通事故中至少有一方承担全部或主要责任的事故记录,共筛选出6 845 起交通事故,根据碰撞形式及特点共分为正面碰撞、侧面碰撞、追尾碰撞、刮碰行人和其他碰撞(包括其他角度碰撞和刮擦类碰撞)等5种碰撞类型,事故碰撞类型分布如表1 所示。

表1 事故碰撞类型频数频率分布表

1.2 数据预处理

将影响交通事故中双方(或多方)碰撞类型的因素分为人、车、路和环境等4 类要素,并定义因变量和自变量。 将事故碰撞类型定义为因变量Y,共5个分类:正面碰撞、侧面碰撞、追尾碰撞、刮碰行人和其他碰撞类型(Y的取值为1,2,3,4,5);根据选取的事故数据对缺失值较大的影响因素进行剔除,同时结合黄伟[12]对道路交通事故人、车辆、道路和环境等因素的划分标准,将事故碰撞类型的人、车、路和环境等4 类影响因素定义为自变量Xm,包含年龄、能见度、违法行为、天气等有序分类变量和无序分类变量共19 项影响因素,每类影响因素的具体含义如表2 所示。

表2 影响因素明细表

根据刘渤海[13]对交通事故中当事人因素、参与车辆因素、道路因素、交通环境等影响因素划分标准,结合公安交警部门对事故现场记录数据对每项影响因素进行划分,具体见表3,其中有序分类变量包括:年龄、文化程度、能见度;无序二分类变量包括:性别、安全带(头盔)、路面状况、路面结构、天气、工作日;无序多分类变量包括:违法行为、车辆种类、道路类型、道路线形、路口路段类型、物理隔离、路侧防护设施、照明条件、季节、发生时间。 其中违法行为较多,在此选择关注度高的违法行为(X1)和占比较大的违法行为(X2,X3,X4,X5)。 表3 为各影响因素分类标准及所占比例。

表3 影响因素变量表示及比例分布

2 多分类logistic 回归分析模型

2.1 模型概述

因变量的事故碰撞类型为无序多分类变量,故拟采用多分类logistic 回归分析模型分析事故碰撞类型的影响因素。 选择Y=5 即其他碰撞类型作为参照,拟合其他分类相对于此参照分类的logistic 回归分析模型,Y的19 个影响因素分别为X1,X2,X3,…,X19,设19 个影响因素有几个观测值,该模型如式(1)所示。

其中j=1、2、3、4,因变量Y包括5 个类别,多分类logistic 回归模型包含4 个方程,其中b0j是第j个回归方程的常数项,b1j,b2j,b3j,…,b19j分别为第j个回归方程X1,X2,X3,…,X19等自变量的回归系数。 当自变量X改变一个单位时,多分类logistic 回归分析模型可根据自变量的回归系数计算其优势比OR值,计算公式为ORj=exp(bj)。

2.2 模型显著性检验

将其他碰撞类型设置为对照组,多分类logistic回归分析模型将年龄、性别、文化程度、违法行为等19 项指标作为自变量,将碰撞类型作为因变量,结合SPSS 分析软件,利用多分类logistic 回归分析模型分析交通事故碰撞类型的影响因素及其作用强度,模型拟合信息及伪R方如表4 所示。

表4 模型拟合信息

如表4 所示,该模型拟合的显著性小于0.05,表示该分析模型通过显著性检验,此模型能够分析交通事故碰撞类型影响因素的解释说明,且考克斯-斯奈尔伪R方为0.350,表示所有自变量能解释事故碰撞类型35.0%的原因。 通过该模型似然比检验发现:性别、文化程度、安全带(头盔)、路面状况、路面结构、天气、工作日、季节的P值大于0.05,表示这8 类影响因素与碰撞类型不存在显著关系,需对这8 类影响因素进行排除,将模型进行优化。

通过逻辑回归偏似然估计法[14]对与因变量碰撞类型不存在显著关系的影响因素进行排除,即似然比检验时P值大于0.05 的因素。 被排除顺序为性别、文化程度、安全带(头盔)、路面状况、路面结构、天气、工作日、季节。 最终在模型中与碰撞类型存在显著关系的影响因素为年龄、车辆种类、道路类型、道路线形、路口路段类型、物理隔离、路侧防护设施、能见度、照明条件、发生时间和违法行为,这11类影响因素的显著性均小于0.05,表示这11 类影响因素对事故碰撞类型具有显著影响。 其他因素显著性大于0.05,不予以考虑。 将筛选出的11 类显著影响因素作为自变量,因其全部为分类变量,为更容易解释,可将其进行哑变量处理,即将因变量的各个分类转化为二元变量代入模型计算。

我之所以想到学术研讨会，是因为我住院时，就是因为他要参加一个类似的学术研讨会而被迫推后了原定于第二天为我做的手术。

2.3 模型估计结果

以其他碰撞类型为对照组,分析正面碰撞、侧面碰撞、追尾碰撞、刮碰行人等4 种事故碰撞类型的发生相对可能性,通过每个自变量分类的OR值,即优势比来判断自变量分类对因变量的影响程度,Y=1、2、3、4 的模型分析结果如表5 所示。

3 模型结果分析

3.1 碰撞类型影响因素分析

OR值比回归系数b在解释自变量对因变量的影响上更具有意义,OR值表示自变量等分类变量与事故碰撞类型的关联强度,当OR值大于1 时,说明自变量分类使该碰撞类型的危险度增加,是危险因素;当OR值小于1 时,说明自变量分类使该碰撞类型的危险度减小,是保护因素;当OR值等于1 时,说明自变量分类与该碰撞类型无关联。 由表5可知:

表5 多分类logistic 回归分析模型结果

(1)正面碰撞(相对其他碰撞)与年龄中的0 ～18 岁、19 ～45 岁,路侧防护设施的绿化带(树),违法行为中的违反交通标志、逆向行驶,能见度的50 ～100 米、100 ～200 米,照明条件的夜间有路灯照明,道路线形的坡,车辆种类的轻型货车有显著相关关系;通过OR值进行分析,违反交通标志、逆向行驶、50 ～100 米、100 ～200 米、坡的OR值大于1,表示以上情形是事故发生正面碰撞的危险因素;而0 ～18岁、19 ～45 岁、绿化带(树)、夜间有路灯照明、轻型货车的OR值小于1,表示具有以上情形的事故不容易发生正面碰撞。

(2)侧面碰撞(相对其他碰撞)与违法行为中的未按规定让行、违反交通标志、逆向行驶,发生时间为7:00 ～9:00,车辆种类的非机动车,道路类型的高级公路和中级公路,路口路段类型的交叉口,物理隔离的中心隔离,路侧防护设施的无护栏有显著相关关系;通过OR值进行分析,未按规定让行、违反交通标志、逆向行驶、7:00 ～9:00、非机动车、高级公路、交叉口、无护栏的OR值大于1,表示以上情形是事故发生侧面碰撞的危险因素;中级公路、中心隔离的OR值小于1,表示具有以上情形的事故不容易发生侧面碰撞。

(3)追尾碰撞(相对其他碰撞)与0 ～18 岁,非机动车,城市道路,高级公路,中级公路,无隔离,50 ～100 米有显著相关关系;通过OR值进行分析,0 ～18 岁、非机动车、高级公路的OR值大于1,表示以上情形是事故发生追尾碰撞的危险因素;城市道路、中级公路、无隔离、50 ～100 米的OR值小于1,表示具有以上情形的事故不容易发生追尾碰撞。

(4)刮碰行人(相对其他碰撞)与0 ～18 岁,19 ～45 岁,中级公路,无护栏,夜间无路灯照明,7:00 ～9:00,17:00 ～20:00,未按规定让行有显著相关关系;通过OR值进行分析,0 ～18 岁、19 ～45 岁、无护栏、夜间无路灯照明,7:00 ～9:00,17:00 ～20:00,未按规定让行的OR值大于1,表示以上情形是事故发生刮碰行人的危险因素;中级公路的OR值小于1,表示具有以上情形的事故不容易发生刮碰行人。

3.2 敏感性及对策分析

已有文献[15]表明,正面碰撞和刮碰行人导致的事故后果较为严重,造成伤亡人数呈增加趋势,因此重点针对正面碰撞和刮碰行人两种碰撞类型展开分析。

式中:Y=1 为正面碰撞;Y=5 为其他碰撞;X1,1,X1,2为自变量年龄中0 ～18 岁和19 ～45 岁;X4,4,X4,5分别为自变量违法行为中的违反交通标志、逆向行驶;X5,2为自变量车辆种类中的轻型货车;X9,3为自变量道路线形中的坡;X13,2为自变量路侧防护设施中的绿化带(树);X15,2,X15,3分别为自变量能见度中的50 ～100 米和100 ～200 米;X16,2为自变量照明条件中的夜间有路灯照明;

由式(2)看出:

(1)常数项表示自变量为0 时观测组与对照组的发生概率比值的对数,因此不考虑自变量事故发生正面碰撞的概率是其他碰撞的exp(0.015)倍,即1.02 倍。

(2)不管在任何道路条件下,0 ～18 岁和19 ～45 岁群体发生正面碰撞的概率是60 岁以上群体(对照类)的0.309 和0.597 倍,表明年轻人与老年人相比发生正面碰撞的概率较小,在预防正面碰撞事故时,应有选择地针对年龄较大人群。 车辆在产生违反交通标志和逆向行驶违法行为下,发生正面碰撞的概率是其他违法行为(对照类)的2.598 和8.750 倍,表明车辆存在这两项违法行为时容易发生正面碰撞事故,尤其注意在正面碰撞高发区域重点查处逆向行驶违法行为。 有坡的道路发生正面碰撞的概率为弯坡组合(对照类)的5.017 倍;能见度为50 ～100 米和100 ～200 米的路段发生正面碰撞的概率是大于200 米(对照类)的2.136 和1.763倍,表明要根据外界环境及时提醒驾驶员,尤其是有坡路段提前做好警示标志。 在任何道路上,轻型货车发生正面碰撞的概率是其他车辆(对照类)的0.273 倍;当路侧防护设施为绿化带(树)时发生正面碰撞的概率是其他设施(对照类)的0.606 倍;夜间有路灯照明路段上发生正面碰撞的概率是其他照明条件(对照类)的0.606 倍;在这3 种情况下发生正面碰撞的概率都小于对照类,为预防正面碰撞事故提供了思路。

建立刮碰行人与其他碰撞的概率比模型如公式(3)所示。

式中:Y=4 为刮碰行人;Y=5 为其他碰撞;X1,1,X1,2为自变量年龄中0 ～18 岁和19 ～45 岁;X4,2为自变量违法行为中的未按规定让行,X8,3为自变量道路类型中的中级公路;X13,1为自变量路侧防护设施中的无护栏;X16,3为自变量照明条件中的夜间无路灯照明;X19,1,X19,3为自变量发生时间的早高峰和晚高峰时段。

由式(3)看出:不考虑人的违法行为和年龄、路侧防护设施及环境因素,在城市道路和高级公路上发生刮碰行人的概率是其他碰撞的1.699 倍,表明预防刮碰行人事故要重点关注城市道路和高级公路,加强道路管理;在任何交通环境下,0 ～18 岁和19 ～45 岁群体发生正面碰撞的概率是60 岁以上群体(对照类)的4.164 和1.601 倍,表明年龄较小的人群更容易发生刮碰行人事故,尤其是未成年人驾驶技术不成熟,经验较少,要重点管理。 任何车辆在产生未按规定让行违法行为时发生刮碰行人的概率是其他违法行为(对照类)的3.318 倍,在大量行人经过的区域要提醒车辆让行;任何车辆在中级公路上行驶时发生刮碰行人的概率是其他道路(对照类)的0.652 倍;当车辆在无护栏路段行驶时,发生刮碰行人的概率是其他路侧防护设施(对照类)的3.117 倍,夜间无路灯照明路段发生刮碰行人的概率是其他照明条件(对照类)的2.315 倍,这表明加装护栏和增加夜间照明可以有效降低刮碰高发区域的事故率;车辆在任何道路上行驶时,早高峰和晚高峰时段发生刮碰行人的概率是夜间(对照类)的1.999 和2.569 倍,早晚高峰期间发生刮碰行人事故概率相对较大,部分原因是由于在此期间路面上行人和车辆增多,因此,要鼓励行人错峰出行和加强高峰时段的道路交通管理。

4 结语

本研究以宁波市为例,利用多分类logistic 回归分析模型分析了交通事故碰撞类型的影响因素,通过计算回归参数和优势比对影响因素进行量化,识别出导致特定碰撞类型事故发生概率增大的人、车、路和环境等特征,得到以下结论:驾驶人年龄、违法行为、车辆种类、道路类型,物理隔离、路侧防护设施等因素对事故碰撞类型有显著影响,敏感性分析结果表明因非机动车主要或全部过失造成侧面和追尾碰撞的概率是对照类的17 倍和10 倍,0 ～18 岁群体发生追尾碰撞和刮碰行人的概率是对照类的5 倍和4 倍,要加强对非机动车车辆管控和对0 ～18 岁群体进行警示教育。

在本研究的基础上,下一步可结合不同碰撞类型事故中伤亡的严重程度,利用ArcGIS 地理信息软件,识别高事故率、高致死率的热点区域,促进交通安全主动防控体系的构建。